Grok Voice 3.0 vs SeedRealtime: uno è il miglior modello vocale in classifica, l'altro non è in classifica.

Questo confronto ha una forma insolita. Grok Voice 3.0 è il modello speech-to-speech con il punteggio più alto tra quelli misurati da Artificial Analysis, con 86,9 sullo Speech to Speech Index al 13 ottobre 2026, al prezzo di 0,08 $ al minuto e accessibile oggi tramite l'API realtime di SpaceXAI. SeedRealtime — formalmente "SeedRealtime: An Audio-Visual Full-Duplex LLM", rilasciato dal team Seed di ByteDance il 5 agosto 2026 — non compare in alcuna forma in quella classifica. Nessun punteggio di indice, nessuna componente di ragionamento, nessun dato sulle dinamiche conversazionali, nessun Elo d'arena, nessun tasso di successo nei task, nessun tempo al primo audio. Non un punteggio basso. Una riga vuota, perché il modello non è mai stato inserito.

Quel vuoto è il punto di partenza onesto, perché non è una svista del consiglio. SeedRealtime non ha API pubbliche, né ID di modello, né pesi aperti, né rapporto tecnico, né numero di parametri e nemmeno un prezzo pubblicato. Funziona all'interno dell'app consumer Doubao di ByteDance, gratuitamente, in voce e video, e lo fa fin dal rilascio. Non c'è nulla da misurare perché non c'è un endpoint da misurare, e non c'è modo di chiamarlo perché non c'è nulla da chiamare.

Dove differiscono davvero, e non è una questione di qualità

Tabelloni a parte, i due modelli svolgono lavori diversi in stanze diverse.

Grok Voice 3.0 è un modello audio. Ascolta e parla tramite un WebSocket duplex, decide molte volte al secondo se continuare ad ascoltare, mettersi in pausa, interrompere o invocare uno strumento dall'array tools nel suo aggiornamento di sessione, e detiene cinque punteggi misurati per componente più la posizione di vertice nell'arena. La generazione precedente è stata pubblicizzata sul tasso di errore di parola in 24 lingue e su un errore da 1,5 a 2,0 volte inferiore rispetto ai modelli di trascrizione dedicati — riportato dal fornitore, mai riprodotto in modo indipendente e non ribadito nel materiale di lancio più recente.

SeedRealtime ascolta e vede in un'unica rete. ByteDance descrive un framework unificato in cui percezione, comprensione, processo decisionale e generazione delle risposte avvengono all'interno di un unico modello anziché in una cascata, con l'alternanza dei turni decisa internamente e nessun rilevatore esterno di attività vocale. Le sue dimostrazioni pubblicate includono una rumorosa cena di gruppo in cui il modello deve associare le voci alle identità, una visita al museo in cui fornisce spontaneamente informazioni quando un determinato pezzo espositivo entra nel campo visivo, un flusso di lavoro per l'espresso che corregge in tempo reale e uno scenario aeroportuale in cui ignora le chiacchiere non pertinenti, ricorda un tabellone delle partenze visto in precedenza nella sessione e si collega online per ottenere il numero del carosello bagagli.

• Input — Grok Voice 3.0 audio e testo, con strumenti; SeedRealtime audio, video e testo fusi in un unico modello.

• Alternanza dei turni — Grok Voice 3.0 utilizza il rilevamento dell'attività vocale lato server configurato per sessione; SeedRealtime elimina il VAD esterno e sposta la decisione all'interno del modello.

• Comportamento proattivo — Grok Voice 3.0 risponde e richiama strumenti; SeedRealtime viene descritto come capace di parlare senza sollecitazione quando un oggetto rilevante compare nel campo visivo.

• Latenza — Grok Voice 3.0 dichiara 0,81 secondi al primo audio; SeedRealtime non pubblica alcun dato sulla latenza, solo un obiettivo di roadmap per comprimere la latenza end-to-end.

• Prezzo — Grok Voice 3.0 $0,08 al minuto più $0,004 per input di testo; SeedRealtime non ha un prezzo né un'offerta commerciale, ed è gratuito all'interno di un'app consumer.

• Raggiungibilità — Grok Voice 3.0 è attivo per gli sviluppatori con un endpoint documentato e un percorso a token effimeri per le connessioni lato client; SeedRealtime è pensato innanzitutto per la Cina continentale tramite Doubao, che in genere richiede un numero di cellulare della Cina continentale per registrarsi, senza che sia stato annunciato alcun prodotto localizzato in inglese.

• Prove — Grok Voice 3.0 ha cinque misurazioni indipendenti delle componenti più un composito; SeedRealtime ha una sola valutazione umana interna.

Il problema dell'evidenza, formulato con precisione

L'unica affermazione quantitativa che ByteDance fa su SeedRealtime è che le valutazioni umane end-to-end mostrano che dimezza i problemi di ritmo conversazionale rispetto ai sistemi a cascata ASR + visione + TTS — meno interruzioni a metà frase, meno risposte lente dopo una pausa, meno falsi inneschi dovuti al chiacchiericcio di sottofondo. Non vengono indicati la dimensione del campione, il numero di annotatori, il nome di un benchmark, la metodologia né una cifra esatta. L'affermazione è che il problema è diventato circa la metà meno grave, e proviene dal team che ha costruito il modello.

Confrontalo con ciò che è conoscibile su Grok Voice 3.0. Il suo punteggio composito di 86,9 si scompone in un valore di ragionamento, un valore di dinamica conversazionale, un punteggio agentico, un Elo di preferenza dell'arena e un tasso di successo nei compiti, ciascuno misurato sotto un harness pubblicato, con la classifica sottostante leggibile da chiunque. Ciò non rende i numeri indiscutibili — un indice composito è una scelta di ponderazione, e la componente arena è congelata nel momento in cui un modello diventa idoneo alla pubblicazione anziché seguire l'Elo in tempo reale — ma significa che una squadra esterna può controllare l'aritmetica e dissentire dalla conclusione invece di non riuscire a formularne una.

Entrambi i modelli sono inoltre corredati di affermazioni dei fornitori sulle proprie implementazioni in produzione, ed entrambe le serie di affermazioni sono inverificabili allo stesso modo. SpaceXAI riferisce che i call centre di Starlink gestiscono 20.000 chiamate dei clienti al giorno in più lingue, con circa il 70% risolte senza intervento umano, e milioni di conversazioni quotidiane in Tesla e SpaceX. ByteDance riferisce una diffusione completa in Doubao per voce e video. Questi sono i segnali più forti disponibili sul fatto che i sistemi funzionino nel mondo reale, e allo stesso tempo le prove più deboli disponibili per un lettore, dal momento che nessuna delle due è verificabile dall'esterno ed entrambe descrivono servizi anziché modelli.

Su cosa puoi costruire, e su cosa non puoi

Ecco la parte che risolve il confronto a prescindere dalla capacità. Solo uno di questi due è un componente. L'altro è una dimostrazione di come si presenta un'architettura convergente.

Grok Voice 3.0 si inserisce in uno stack con una stringa di modello, oppure senza nulla se hai eseguito il deployment su grok-voice-latest, che il 14 ottobre è stato spostato automaticamente su di esso. Lo stesso endpoint realtime, gli stessi parametri di sessione, gli stessi nomi di evento, lo stesso set di voci integrate e lo stesso endpoint per le voci personalizzate della generazione che sostituisce. Gli strumenti con ambito di sessione consentono all'agente di chiamare il tuo backend nel corso della conversazione. C'è un costo di integrazione, e si misura in minuti.

SeedRealtime non può essere scomposto, e questo è un fatto architettonico più che commerciale. Non c'è una metà dedicata al ragionamento da sostituire, perché il pensiero è dentro la stessa rete dell'ascolto e del guardare; non c'è una superficie ospitata verso cui instradare, nessuna quota da acquistare, nessuna chiave da ottenere. La sua capacità è reale e le sue dimostrazioni sono le più eclatanti della categoria. Inoltre, per chiunque sia al di fuori del mercato consumer di ByteDance, non è un prodotto che puoi mettere davanti a un cliente in questo trimestre.

Un avvertimento che vale la pena dichiarare apertamente, perché è una modalità di errore tuttora attiva: almeno un blog di terze parti descrive attualmente SeedRealtime come disponibile tramite un router di modelli. Non esiste alcun endpoint a cui instradare, quindi qualunque cosa pubblicizzi l'accesso a SeedRealtime sta pubblicizzando qualcos'altro. Correlato: le ricerche per l'API vocale in tempo reale di ByteDance fanno emergere il modello vocale in tempo reale end-to-end di Volcano Engine, che è un sistema diverso, solo audio — se hai confrontato la quota e i prezzi pubblicati di quel modello con Grok Voice 3.0, hai confrontato il prodotto sbagliato.

Dove si colloca effettivamente il router

Nessuno dei due modelli è servito da OrcaRouter, e vale la pena essere diretti sul perché questa impostazione di solito la sbaglia. Grok Voice 3.0 ha un'unica fonte, xAI, e SeedRealtime non è venduto da nessuno. Nessun livello di routing cambia nessuno dei due fatti, e una piattaforma che sostiene il contrario sta descrivendo una capacità che non possiede.

Ciò che cambia un livello di routing è lo strato testuale sotto la voce. Ognuna di queste implementazioni è un modello vocale più uno stack di modelli linguistici: il backend degli strumenti che il modello vocale chiama, il classificatore che legge la trascrizione successivamente, il riassuntore che scrive il record, il retrieval che risponde a ciò che il livello vocale ha dovuto passare. Quel lavoro è misurato per richiesta ed è lì che si accumula una fetta significativa del costo per chiamata. È ciò che eseguiamo — oltre 200 modelli dietro un'unica chiave al prezzo di listino del provider senza alcun markup, failover automatico tra provider, e un DSL di routing per comporre diversi modelli in un'unica chiamata — ed è la metà di un prodotto vocale che puoi mantenere costante mentre il modello audio sotto di essa cambia, il che, dato quanto casualmente viene scambiato lo strato audio, è una proprietà che vale la pena avere.

Il verdetto

Se stai costruendo un agente vocale adesso, Grok Voice 3.0 è la scelta, e il motivo non è l'indice. È che ha il punteggio composito più alto e la posizione più alta nell'arena, pubblica il tempo più rapido dall'avvio al parlato nel gruppo di frontiera, pari a 0,81 secondi, costa al minuto quanto il modello che sostituisce, ed è disponibile oggi con un endpoint documentato. Questi sono quattro motivi distinti, e nessuno di essi richiede di fidarsi di un numero che nessuno può verificare.

Scegli SeedRealtime — o meglio, aspettalo — solo se il tuo prodotto dipende dalla cosa specifica che fa e che nient'altro fa: leggere una stanza. Il full duplex audio-visivo con gli occhi sulla scena è una capacità che nessun modello vocale occidentale ospitato offre attualmente, e le dimostrazioni di ByteDance sono convincenti. Il segnale da tenere d'occhio è un'API per sviluppatori ByteDance su Volcano Engine o BytePlus con una tariffa pubblicata, che trasformerebbe un caso di studio in un prodotto senza concorrenti ospitati. Finché non appare, il modello resta nella watch list invece che nell'architettura, e qualsiasi articolo che pretenda di confrontarlo con un modello da classifica sta confrontando un tabellone con un video.

Confronti come questo sono anche il punto in cui emergono le modalità di fallimento: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti in l'Archivio degli Incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e l'indicatore di contestazione.